百度百科對自動化專業(yè)做出了這樣的介紹：

該專業(yè)是以自動控制理論為主要理論基礎(chǔ)，以電子技術(shù)、計算機信息技術(shù)、傳感器與檢測技術(shù)等為主要技術(shù)手段，對各種自動化裝置和系統(tǒng)實施控制，是計算機硬件與軟件結(jié)合、機械與電子結(jié)合、元件與系統(tǒng)結(jié)合、運行與制造結(jié)合，集控制科學(xué)、計算機技術(shù)、電子技術(shù)、機械工程為一體的綜合性學(xué)科專業(yè)。

綜合性學(xué)科！是的！

作為自動化專業(yè)出身的我，實際接受的本科教育與研究生教育也恰恰驗證了這一點，這是一個大融合、大雜燴的專業(yè)。

這樣就容易造成什么了解，而又是什么都不太精通的尷尬局面。

從電子角度來看，數(shù)電、模電、電路等基礎(chǔ)的電子技術(shù)不必多說，從最基礎(chǔ)的8位51單片機和16位Freescale單片機的學(xué)習(xí)開始，到工業(yè)PLC，再到嵌入式系統(tǒng)級別的電子芯片ARM等等，最后還要接觸純硬件設(shè)計的FPGA。為了應(yīng)用這些電子芯片，就需要學(xué)習(xí)高級算、高等數(shù)學(xué)、最優(yōu)控制等等。

總之一系列學(xué)習(xí)下來，回想到得意之作，自己心里也在犯嘀咕，所有曾經(jīng)做過的東西都是入門級別的實驗，哪兒能稱的上“得意”二字。后來仔細想想，也許“得意”對我來說，就是每次接觸新器件、新技術(shù)的好奇感和新鮮感，以及利用這些器件完成一個電子作品而產(chǎn)生的自豪感。

猶記得第一次接觸Zynq時，對其擁有“ARM+FPGA”硬件結(jié)構(gòu)的那種驚奇，而后用此完成了一些設(shè)計；猶記得第一次使用GPU通過軟件并行的方式完成算法加速。

我的得意之作

? ? ? ?本次帶來的“得意”之作就是利用英偉達首款嵌入式GPU加速套件Jetson Tk1做出作品--人臉跟蹤輪式機器人（小車）的設(shè)計。

對于人臉識別，國內(nèi)目前的研究大多數(shù)采用CPU方案。雖然2010年開始，國內(nèi)一些研究者也開始使用GPU進行人臉識別加速，比如有人采用AMD的GPU進行開發(fā)，但開發(fā)過程比較復(fù)雜，且受限于顯卡的性能，其相對于CPU的人臉識別速度提升有限，且大部分是在PC端實現(xiàn)的，PC端是存在弊端的。

方案選擇也是艱難的

? ? ? ?我們的設(shè)計采用嵌入式系統(tǒng)設(shè)計，而針對嵌入式系統(tǒng)計算性能有限的現(xiàn)狀，故采用NVIDIA公司最新推出的Jetson TK1嵌入式開發(fā)套件，其最大的特點是嵌入一顆NVIDIA Tegra K1的GPU，性能強大直逼桌面端GPU，且其采用NVIDIA CUDA平臺進行開發(fā)，充分運用GPU的并行運行的特性，能大大提升算法運算性能。

不僅如此，其還嵌入一顆四核心的ARM Cortex –A15處理器，以及2GB的運行內(nèi)存，能夠很好運行Linux系統(tǒng)，這樣能充分發(fā)揮GPU在嵌入式應(yīng)用的威力，大大提升人臉識別速度，并可迅速作出響應(yīng)。

由于此開發(fā)套件只是一個小型的開發(fā)板，攜帶便利，應(yīng)用場合更加靈活，故我們在人臉檢測的基礎(chǔ)上做出一個小車，用以時時刻刻對人臉進行跟蹤。本次開發(fā)在Linux操作系統(tǒng)的層面完成整個臉部識別的控制過程，設(shè)計的主要內(nèi)容如圖1所示。

圖1 課題主要研究內(nèi)容框圖

包括：嵌入式軟硬件平臺和外設(shè)硬件如攝像頭和輪式機器人的搭建，選用并行性高的算法，通過開源函數(shù)庫來完成人臉識別的算法描述，利用CUDA開發(fā)工具對GPU進行開發(fā)，實現(xiàn)算法的并行運算以提升人臉識別的速度，最終將人臉識別的結(jié)果信號反饋給輪式機器人，驅(qū)動輪式機器人的移動對人臉進行跟蹤。為了實時查看臉部檢測的結(jié)果，本作品還需將攝像頭返回的圖像利用WIFI無線傳輸?shù)?a target="_blank">電腦上。

人臉識別主要由人臉圖像采集及檢測、人臉圖像特征提取以及匹配與識別這幾部分組成。

首先是人臉檢測，人臉檢測算法的可靠性很大程度上依賴于分類器的設(shè)計，本系統(tǒng)的人臉檢測部分嘗試了三種不同方法：

第一種，在OpenCV 中有直接能拿來用的Haar 分類器，該方法對于被遮擋了部分的人臉是基本檢測不出來的，在TK1 上的運行速度大概每秒8 幀左右；

第二種，在OpenCV 2.X 以上擴充的基于LBP 特征的人臉檢測器，與Haar 特征相比，LBP 是整數(shù)特征，因此訓(xùn)練和檢測過程都會比Haar 特征快幾倍。在TK1 上的運行速度能達到每秒20 幀左右，但是檢測準確率LBP 比Haar 效果要差；

第三種，Dlib 庫的人臉檢測算法使用的hog 特征與級聯(lián)分類器，Dlib 自帶人臉檢測器準確度非常高，即使受到硬件條件限制，攝像頭拍到比較模糊的畫面，在這種情況下其他一些人臉庫檢測率都非常低，而Dlib的效果卻能出乎意料，美中不足的是，速度比較慢。

人臉特征提取是根據(jù)已知人臉數(shù)據(jù)庫中的人臉表征方法，提取出該人臉圖像的特征值，對人臉特征進行建模，將人臉圖像映射到特征空間的過程。

人臉特征提取的方法很多，可以分為兩大類：一種是基于知識的表征方法，例如：幾何特征、固定特征模板等；另外一種是基于代數(shù)特征或統(tǒng)計學(xué)習(xí)的表征方法，例如：代數(shù)特征、特征臉等。

在Linux平臺，可以利用Dlib機器學(xué)習(xí)庫進行人臉特征提取部分。人臉圖像匹配與識別就是將提取的人臉圖像的特征值與數(shù)據(jù)庫中存儲的特征模板進行搜索比較，當(dāng)兩者相似度超過某一閾值，則認為成功匹配，把匹配得到的結(jié)果輸出。